Майлс Ван, бывший исследователь OpenAI, запускает стартап по использованию искусственного интеллекта для разработки лекарств. Проект уже привлёк инвестиции с оценкой в $2 млрд и фокусируется на перепрофилировании существующих препаратов. Это позволит сократить сроки вывода лекарств на рынок и снизить затраты на исследования. По данным инсайдеров, стартап уже ведёт переговоры с крупными фармацевтическими компаниями о стратегическом партнёрстве.
Кратко: ключевые факты
- Майлс Ван — экс-сотрудник OpenAI, работавший над ускорением научных открытий с помощью ИИ.
- Стартап сосредоточен на поиске новых применений для уже одобренных лекарств (drug repurposing).
- Оценка компании на раннем этапе — $2 млрд при планируемом раунде в $200 млн.
- Инвестором может выступить Lightspeed Venture Partners.
- Несколько бывших коллег Вана из OpenAI присоединятся к проекту.
- Рынок ИИ в фармацевтике растёт: аналогичные стартапы Chai Discovery и Isomorphic Labs уже привлекли миллиарды.
- Стартап может использовать подход "drug repurposing" — поиск новых терапевтических применений для существующих молекул.
- Технология позволит анализировать до 10 000 молекулярных взаимодействий в день против 100 при традиционных методах.
- Потенциальная экономия времени разработки: с 10-12 лет до 3-5 лет.
- Снижение стоимости разработки препарата на 30-50%.
Кто стоит за проектом?
Майлс Ван присоединился к OpenAI в 2024 году после ухода из Гарварда, где изучал компьютерные науки. В OpenAI он занимался исследованиями по применению ИИ для ускорения научных открытий, включая биологические. Его работа включала разработку алгоритмов для предсказания молекулярных взаимодействий и анализа биологических данных.
До ухода в OpenAI Ван успел опубликовать несколько научных работ по машинному обучению в престижных журналах, что сделало его заметной фигурой в академическом сообществе. Его подход сочетает глубокое обучение с методами вычислительной биологии. В 2025 году он получил премию MIT Technology Review "35 Innovators Under 35" за прорывные исследования в области ИИ для медицины.
Команда проекта
Стартап собирает междисциплинарную команду из:
- Экспертов по машинному обучению из OpenAI и DeepMind
- Биоинформатиков с опытом работы в фармацевтических компаниях
- Клинических фармакологов
- Специалистов по регуляторным вопросам FDA
Технологии и подход
Стартап будет использовать ИИ-модели для поиска новых применений существующих лекарств. Такой подход позволяет быстрее выводить препараты на рынок, так как их безопасность уже подтверждена регуляторами.
Компания планирует применять генеративные модели ИИ для:
- Анализа тысяч существующих лекарств на предмет новых терапевтических эффектов
- Предсказания взаимодействий между молекулами лекарств и биологическими мишенями
- Оптимизации клинических испытаний за счёт предварительного скрининга пациентов
- Моделирования фармакокинетики и токсичности препаратов
- Автоматизации документирования для регуляторных органов
Особое внимание будет уделяться препаратам, которые не прошли клинические испытания по первоначальным показаниям, но могут быть эффективны при других заболеваниях. Технология основана на трансферном обучении, позволяющем адаптировать модели для конкретных терапевтических областей.
Технологический стек
Стартап использует комбинацию:
- Графовые нейронные сети для анализа молекулярных структур
- Трансформеры для обработки научной литературы
- Диффузионные модели для генерации новых молекулярных конфигураций
- Федеративное обучение для работы с конфиденциальными медицинскими данными
Инвестиционный потенциал
Интерес инвесторов к ИИ в фармацевтике растёт: в 2026 году Chai Discovery привлёк $400 млн, а Isomorphic Labs — $2,1 млрд. Это подтверждает перспективность направления.
Сравнение инвестиций в ИИ-фармацевтику:
| Компания | Год основания | Последний раунд | Оценка | Фокус |
|---|---|---|---|---|
| Chai Discovery | 2024 | $400M | $3.8B | Онкология |
| Isomorphic Labs | 2021 | $2.1B | N/A | Белковые взаимодействия |
| Стартап Вана | 2026 | $200M (планируется) | $2B | Drug repurposing |
Аналитики прогнозируют, что рынок ИИ в фармацевтике достигнет $50 млрд к 2030 году, что объясняет высокие оценки стартапов на ранних стадиях. По данным McKinsey, применение ИИ может создать дополнительную стоимость $60-110 млрд в фармацевтической отрасли ежегодно.
Потенциальные инвесторы
Помимо Lightspeed, интерес проявляют:
- a16z Bio + Health
- ARCH Venture Partners
- GV (Google Ventures)
- Фармацевтические корпорации (Pfizer, Novartis, Roche)
Вызовы и риски
Основные риски проекта включают высокую конкуренцию, регуляторные барьеры и неопределённость технологических деталей. Успех будет зависеть от способности команды преодолеть эти вызовы.
Конкретные технологические риски:
- Точность предсказаний ИИ-моделей (текущая точность лучших систем около 85%)
- Сложности интеграции с существующими фармацевтическими процессами
- Необходимость валидации результатов в реальных клинических условиях
- Проблемы с защитой интеллектуальной собственности для алгоритмов
- Этические вопросы использования ИИ в медицине
- Зависимость от качества и доступности биомедицинских данных
Регуляторные аспекты
FDA только начинает разрабатывать руководства для ИИ-разработчиков лекарств. Ключевые вопросы:
- Как валидировать алгоритмы для регуляторных целей?
- Кто несёт ответственность за ошибки ИИ?
- Как обеспечить воспроизводимость результатов?
Влияние на фармацевтику
Применение ИИ может сократить сроки разработки лекарств с 10-15 лет до 3-5 лет и снизить стоимость с $2,6 млрд до $1 млрд на препарат. Это особенно важно для лечения редких заболеваний.
Потенциальные изменения в отрасли:
- Снижение зависимости от дорогостоящих лабораторных экспериментов
- Возможность персонализированного подбора лекарств
- Ускорение разработки препаратов для пандемических угроз
- Снижение цен на лекарства за счёт сокращения затрат на R&D
- Смещение фокуса фармацевтических компаний от массовых к нишевым препаратам
- Появление новых бизнес-моделей (например, подписка на ИИ-сервисы для разработки лекарств)
Кейсы успешного drug repurposing
Примеры препаратов, нашедших новое применение:
- Талидомид (от утренней тошноты → множественная миелома)
- Силденафил (гипертензия → эректильная дисфункция)
- Ритуксимаб (лимфома → ревматоидный артрит)
Вопросы и ответы
Какой опыт у Майлса Вана в области ИИ?
Ван работал в OpenAI над применением ИИ для научных открытий и опубликовал исследования по автоматизации научных процессов. Его специализация — трансферное обучение для биологических задач. В 2025 году он возглавил проект по предсказанию белковых структур, аналогичный AlphaFold, но с упором на взаимодействия лекарств с мишенями.
Какие компании уже используют ИИ для поиска лекарств?
Chai Discovery и Isomorphic Labs — лидеры рынка с оценками в $3,8 млрд и $2,1 млрд соответственно. Также активны BenevolentAI, Recursion Pharmaceuticals и Atomwise. В 2026 году появилось более 50 стартапов в этой области, но большинство фокусируются на узких терапевтических областях.
Почему инвесторы вкладывают в такие стартапы?
ИИ сокращает сроки и стоимость разработки лекарств, что обещает высокую окупаемость инвестиций. Средний ROI в секторе составляет 3-5x по данным PitchBook. Дополнительные факторы:
- Растущий спрос на персонализированную медицину
- Правительственные инициативы по цифровизации здравоохранения
- Неудовлетворённая потребность в лечении редких заболеваний
Какие риски у стартапа Майлса Вана?
Основные риски — конкуренция, регуляторные барьеры и технологические сложности. Дополнительный риск — возможное ужесточение регулирования ИИ в медицине. Также:
- Зависимость от ограниченного пула экспертов
- Высокие затраты на вычислительные ресурсы
- Проблемы с масштабированием технологий
Когда стартап может выпустить первые продукты?
По оценкам экспертов, первые кандидаты в лекарства могут быть представлены через 2-3 года, учитывая подход перепрофилирования существующих препаратов. Для полностью новых молекул сроки составят 5-7 лет. Первыми терапевтическими областями вероятно станут онкология и нейродегенеративные заболевания.
Как технология повлияет на работу фармацевтов?
ИИ-инструменты не заменят, но изменят работу специалистов: больше внимания будет уделяться интерпретации данных и клиническим испытаниям, чем рутинному скринингу. Фармацевтам потребуется:
- Освоение основ работы с ИИ
- Навыки валидации алгоритмических предсказаний
- Понимание ограничений технологий